线性离散大系统关联稳定性的一种判别方法

利用向量李雅普诺夫函数法，分别研究了具有自互联作用和不具有自互联作用的线性离散大系统关联稳定性，给出了一种根据辅助矩阵特征根位置判别稳定性的方法及其算法，并用例子说明了其有效性。     

联想Hopfield神经网络样本稳定性的判别方法

针对基于Hebb学习的离散Hopfield神经网络，论述了实现联想记忆功能的基本方法及其样本稳定性的基本思想。根据所存在的问题，提出了判别样本稳定性的充要条件，以及判别样本稳定的一个充分条件，使判别样本是否稳定变得简单易行。最后给出了判别样本稳定的矩阵表示形式，并对给出的定理以及推论给予了证明。     

基于线性矩阵不等式神经网络的鲁棒稳定性

讨论同时具有离散时滞和分布时滞的神经网络系统的鲁棒稳定性问题.不同于通常使用的矩阵范数理论,利用线性矩阵不等式(LM I),将神经网络系统的稳定性问题转化为凸优化问题,建立了神经网络系统鲁棒稳定性的一个充分条件,该条件易于利用标准的M atlab LM I工具箱进行验证和求解.     

线性约束非线性规划的神经网络方法

研究了线性约束的非线性凸规划问题,基于最优性的充要条件,提出了求解它的一个神经网络,该西式能同时求解原问题与对偶问题;利用LaSalle不变原理,证明了该网络是Lyapunov稳定的,并且当目标函数严格单调时,它必不范围渐近收敛于原问题的精确最优解,模拟实验表明,该模型是可行和有效的。     

求解线性互补问题的神经网络方法

研究了线性互补问题.基于解的充分必要条件,提出了求解它的一个神经网络模型;构造了恰当的Liapunov函数,给出了该模型稳定和大范围渐近收敛的充分条件;研究了其全局指数稳定性,并用数值实例说明了该模型的可行性和有效性.该模型不需要设定网络参数,可用来求解一类非单调的互补问题.     

最小相角系统稳定性的一种判别方法

提出了一种判定最小相角系统稳定性的方法,证明了相角裕度大于零是最小相角系统稳定的充分和必要条件     

应用神经网络判别二部图的方法

本文应用Hopfield神经网络模拟方法对二部图进行判别。提出了邻域矩阵的概念。将任意的连通图输入至神经网络判别系统,输出该图的邻域矩阵,对应于系统能量函数取最小值的输出状态即为二部图邻域矩阵,同时得到该二部图的顶点划分;如能量函数非最小值,则判定该图不是二部图。该判别法的核心是构造一种广义的能量函数——Liapunov函数,使原来难以解决的问题找到新的解决途径。     

神经网络指数稳定性分析的一种方法

提出了一种非线性测试，利用这种非线性测度研究了一类神经网络的局部指数稳定性和全局指数性，得到了保证神经网络的平衡点唯一、全局和局部指定的一些充分条件，导出了神经网络有多于一个平衡点的必要条件，同时得到神经网络任意两个解的差的估计式，以及神经网络指数收敛的收敛率和神经网络局部指数稳定的吸引区域的估计，所得结果是新的且不同于已有文献，便于实验应用。     

BP神经网络对滑坡稳定性评价的非线性方法

分析了滑坡稳定性评价方法,确定了影响滑坡稳定性的相关因素,运用BP神经网络建立了滑坡稳定性评价模型．经应用表明,该模型精度很高．将该模型用于预测巴河流域的相关滑坡稳定性,其结果与实际相符。     

一种面向语音识别的新型神经网络

提出了一种新型神经网络模型,描述了该网络的工作原理和训练方法以及识别算法。为克服神经网络对时序信号建模能力差的缺点,引入了非线性分段处理和代表帧特征提取方法。最后介绍了根据这一模型所设计的一个汉语语音识别系统,试验表明该网络在汉语语音识别方面具有较大的潜力。     

关于非线性CAM神经网络的稳定性分析

本文就Hopficld研究过的CAM(Content Addressable Memory:内容选址存储器)连续的非线性神经网络模型,指出Hopfield所引进的能量函数法的一些不完善之处,然后改造Hopfield的能量函效,完善文献[1]～[4]关于稳定性的结果,给出了一些正确的严格的具体判据。     

RBF神经网络的训练方法及分析

给出了三种RBF神经网络的训练方法，并对三种方法进行了分析和比较。     

求解线性等式与不等式组的神经网络模型

提出了一种求解线性等式与不等式组的神经网络模型，该模型避免了惩罚函数模型的缺点，当模型达到稳态时，网络输出将给出问题的精确解。作为一个应用，从本文提出的模型可以导出解一类线性规划问题的神经网络模型     

基于线性神经网络的协整分析

利用线性神经网络进行协整系数的估计,首先检验变量的数据生成过程,再利用线性神经网络进行拟合,最后检验残差的平稳性,以确定变量之间是否存在协整关系.该方法具有简便、直观、精度高的特点.     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。     

遗传神经网络及其在非线性系统辨识中的应用

介绍了浮点遗传算法的原理及其在神经网络权值和阈值优化计算中的应用,提出了用遗传神经网络对非线性系统进行系统辨识的构思。     

一类时滞神经网络模型的稳定性

利用数变易法及不等式分析技巧,讨论了一类时滞神经网络模型稳定性,给出指数稳定性的一个充分条件。